Sollten Datenwissenschaftler JavaScript lernen?

Die Vor- und Nachteile der Verwendung der führenden Sprache im Internet für die Datenwissenschaft

Wenn Sie in den letzten Jahren der Technologielandschaft gefolgt sind, haben Sie wahrscheinlich mindestens zwei Dinge bemerkt.

Zum einen haben Sie vielleicht bemerkt, dass JavaScript heutzutage eine sehr beliebte Sprache ist. Es hat an Popularität gewonnen, seit Node.js JavaScript-Entwicklern erlaubt hat, serverseitigen Code zu schreiben.

In jüngerer Zeit haben Frameworks wie Electron, Cordova und React-Native JavaScript-Entwicklern ermöglicht, native Apps auf einer Vielzahl von Plattformen zu erstellen.

Sie haben wahrscheinlich auch bemerkt, dass das Gebiet der Datenwissenschaft, insbesondere das maschinelle Lernen, sehr aufregend ist. Jüngste Fortschritte in Theorie und Technologie haben dieses einst esoterische Gebiet für Entwickler viel zugänglicher gemacht.

Sie könnten sich also fragen, ob sie eine natürliche Paarung eingehen? Sollten Datenwissenschaftler in Betracht ziehen, JavaScript zu lernen?

Die meisten Datenwissenschaftler arbeiten mit einer Kombination aus Python, R und SQL. Wenn Sie neu in diesem Bereich sind, sollten Sie diese Sprachen zuerst beherrschen .

Datenwissenschaftler können sich auch auf eine andere Sprache wie Scala oder Java spezialisieren. Es gibt viele Gründe, warum diese Sprachen so beliebt sind.

Aber relativ wenige Datenwissenschaftler sind auf JavaScript spezialisiert.

Wie viel könnten Datenwissenschaftler angesichts der Allgegenwart von JavaScript und der Popularität von Data Science davon profitieren, selbst die Grundlagen der Sprache zu lernen? Und wie wäre es mit JavaScript-Entwicklern, die Data Science erforschen möchten?

Lassen Sie uns zunächst einige wichtige Einwände betrachten und dann einige Argumente dafür prüfen.

Gegen

  • Funktionalität - JavaScript bietet im Vergleich zu Sprachen wie R und Python einfach nicht die Palette an Data Science-Paketen und integrierten Funktionen. Wenn es Ihnen nichts ausmacht, das Rad neu zu erfinden, ist dies möglicherweise weniger problematisch. Wenn Sie jedoch komplexere Analysen durchführen müssen, gehen Ihnen schnell die Optionen aus.
  • Produktivität - Ein weiterer Vorteil der umfangreichen Ökosysteme von Python und R besteht darin, dass für fast jede datenwissenschaftliche Aufgabe, die Sie ausführen möchten, viele Anleitungen und Anleitungen zur Verfügung stehen. Bei JavaScript ist dies nicht wirklich der Fall. Sie werden wahrscheinlich länger brauchen, um herauszufinden, wie Sie ein datenwissenschaftliches Problem in JavaScript lösen können, als in Python oder R.
  • Multithreading - Es ist oft hilfreich, große Datenmengen zu verarbeiten oder Simulationen parallel auszuführen. Node.js ist jedoch nicht für rechenintensive, CPU-gebundene Aufgaben geeignet. Für solche Aufgaben haben Sprachen wie Python, Java oder Scala die Oberhand über JS. Schauen Sie sich jedoch das Napa.js-Projekt von Microsoft an. Es bietet eine Multithread-JavaScript-Laufzeit, die Node.js ergänzen kann.
  • Opportunitätskosten - Möglicherweise liegt der Hauptgrund dafür, dass Datenwissenschaftler dazu neigen, nicht viele Sprachen über Python und R hinaus zu lernen, in den Opportunitätskosten. Jede Stunde, die Sie mit dem Erlernen einer anderen Sprache verbringen, ist eine Stunde, die in das Erlernen eines neuen Python-Frameworks oder einer anderen R-Bibliothek hätte investiert werden können. Während diese Sprachen den Arbeitsmarkt für Data Science dominieren, besteht ein größerer Anreiz, sie zu lernen. Und weil Data Science ein so schnelllebiges Feld ist, gibt es immer etwas Neues zu lernen.

Zum

  • Visualisierung - JavaScript zeichnet sich durch Datenvisualisierung aus. Bibliotheken wie D3.js, Chart.js, Plotly.js und viele andere machen die Erstellung leistungsfähiger Datenvisualisierungen und Dashboards sehr einfach. Schauen Sie sich einige großartige D3-Beispiele an!
  • Produktintegration - Immer mehr Unternehmen verwenden Webtechnologien mit einem knotenbasierten Stack, um ihr Kernprodukt oder ihre Kerndienstleistung zu erstellen. Wenn Ihre Rolle als Datenwissenschaftler erfordert, dass Sie eng mit Produktentwicklern zusammenarbeiten, kann es nicht schaden, dieselbe Sprache zu sprechen.
  • ETL - Datenverarbeitungs-Pipelines werden normalerweise in einer Allzwecksprache wie Python, Scala oder Java implementiert. JavaScript wird oft nicht angezeigt. Dies kann jedoch unfair sein. Das Dateisystemmodul 'fs' von Node bietet eine großartige API, mit der Sie Standard-Dateisystemoperationen entweder synchron oder asynchron aufrufen können. Node spielt auch gut mit MongoDB und vielen anderen gängigen Datenbanksystemen zusammen. Die Streams-API erleichtert die Arbeit mit Streams mit großen Datenmengen - ein weiterer potenzieller Vorteil für ETL. Wie oben erwähnt, finden Sie Informationen zu Multithreading und Parallelverarbeitung im Microsoft-Projekt Napa.js.
  • Tensorflow.js - Wer sagt, dass JS keine coolen Sachen zum maschinellen Lernen machen kann? Anfang 2018 wurde Tensorflow.js veröffentlicht. Dies bringt JavaScript-Entwicklern maschinelles Lernen - sowohl im Browser als auch auf der Serverseite. Tensorflow ist eine beliebte Bibliothek für maschinelles Lernen, die von Google entwickelt und 2015 als Open Source-Version erstellt wurde. Gestenerkennung, Objekterkennung, Musikkomposition… Sie nennen es, Sie können es wahrscheinlich haben. Das Beste, was Sie jetzt tun können, ist einen Blick auf einige Demos zu werfen.

Fazit

Sollten Datenwissenschaftler also JavaScript lernen?

Das Erlernen von JavaScript schadet Ihrem Lebenslauf nicht. Aber lernen Sie es nicht als Ersatz für andere Sprachen.

Als erste Sprache ist es am besten, entweder Python oder R zu lernen. Sie sollten sich auch mit einer Datenbanksprache wie SQL oder MongoDB vertraut machen.

Sobald Sie jedoch mit den Grundlagen vertraut sind, möchten Sie sich möglicherweise weiter spezialisieren. Vielleicht möchten Sie Apache Spark für die Arbeit mit riesigen, verteilten Datensätzen lernen. Oder vielleicht möchten Sie lieber eine andere Sprache wie Scala, MATLAB oder Julia lernen.

Warum nicht JavaScript in Betracht ziehen? Dies ist hilfreich, wenn Sie sich auf Datenvisualisierung spezialisieren möchten oder wenn Ihre Rolle erfordert, dass Sie eng mit einem Produkt zusammenarbeiten, das mit JavaScript oder einer verwandten Technologie erstellt wurde.

Die maschinellen Lernfunktionen von JavaScript entwickeln sich rasant weiter. Für einige Anwendungsfälle ist es möglicherweise bereits eine starke Alternative zu den üblichen datenwissenschaftlichen Sprachen.

Letztendlich ist die Entscheidung sowohl praktisch als auch persönlich. Es hängt davon ab, welche Aspekte der Datenwissenschaft Sie am interessantesten finden und welche Karrieremöglichkeiten Sie am meisten begeistern.

Bei den aktuellen Trends ist eines jedoch sicher. In den kommenden Jahren wird JavaScript mehr Türen öffnen als schließen.